摘要
知识图谱包含了大量的人类知识，在搜索引擎、自问自答、机器翻译、推荐系统等任务有广泛的应用。知识图谱通常包含时间维度的动态事实，这些事实模拟了沿时间线的实体的动态关系或相互作用。近年来的研究开始将时间信息纳入知识图谱中，即时序知识图谱。由于这样的时序知识图谱常常存在不完整性，因此开发具有时间感知的时序知识图谱推理模型，帮助推断这种图中缺失的时间事实是很重要的。近年来，时序知识图谱推理已经成为一个热点，在社交网络分析、事件预测、推荐系统、意图推理等领域有广泛的应用。 虽然时序知识图谱上的事实通常是不断变化的，但值得注意的是，许多事实可以在历史上反复出现。本论文利用时序知识图谱公开数据集，开展了时序知识图谱推理的研究。针对时序知识图谱嵌入方法只注重分别计算每个时间片知识图谱的潜伏表征，因此无法捕捉连续时间片中事实的长期依赖性的问题，提出一种新颖的基于时间感知复制生成模型的时序知识图谱推理方法。本文结合自然语言生成中的复制机制的实现思路，提出CyGNet(Temporal Copy-Generation Network)。大量的实验结果证明了CyGNet提高了预测精度和预测未来事件的能力。 针对海空舰船侦察机等活动数据特点，将 CyGNet 应用于动态目标意图推理。首先，将基于某项目已经构建好的军事活动知识图谱数据随机切割为训练数据和测试数据，通过对训练数据和测试数据中存在大量的同一目标或同一区域的不同说法的实体进行实体链接，并采用图神经网络模型 CompGCN 学习四元组中各节点的语义向量表示获得预训练的节点向量表示，通过训练后的语义向量初始化CyGNet四元组模型。最终CyGNet对动态目标意图推理的Hits@10值为91.81%，对军事活动具有实际指导意义。 但是，由于存在数据集的历史重复事件发生概率过于不平衡的问题，可能会阻碍算法的性能。在未来的工作中，本文计划尝试通过预训练时序知识图谱的全球显著实体和事件，并学习不同时间片事件之间的逻辑推理。同时将所提出的算法技术帮助理解军事活动的动态目标意图推理。
NETL